Rilevamento della zoppia nel bestiame usando immagini di profondità e deep learning

Perché i piedi doloranti delle mucche riguardano tutti noi

Le mucche che camminano con dolore possono sembrare un problema di nicchia della fattoria, ma la zoppia nei greggi da latte aumenta silenziosamente il costo del latte, accorcia la vita degli animali e solleva seri problemi di benessere. Tradizionalmente, individuare una mucca zoppicante richiede un occhio umano esperto e molto tempo in stalla—qualcosa che molte aziende agricole impegnate non possono offrire quotidianamente. Questo articolo descrive un sistema basato su telecamera che osserva automaticamente le mucche mentre escono dalla sala di mungitura, usando immagini di profondità e intelligenza artificiale per segnalare i primi segnali di problemi a tutte le ore.

Dalle stalle affollate a una sorveglianza costante e non invasiva

La zoppia riguarda circa una mucca su cinque nei sistemi di produzione lattiero-caseari a livello mondiale e può raggiungere livelli molto più alti in alcuni greggi. Riduce la produzione di latte, danneggia la fertilità e può costringere gli allevatori a selezionare gli animali per la macellazione in anticipo, con costi di centinaia di dollari per capo ogni anno. Eppure la conoscenza scientifica sulla zoppia è molto più avanti rispetto a quanto accade nella maggior parte delle aziende: gli allevatori spesso sottovalutano quante mucche soffrano e la valutazione esperta è lenta e soggettiva. Le tecnologie precedenti hanno provato ad aiutare con piastre di forza nei corridoi o sensori di movimento attaccati agli animali, ma queste soluzioni possono essere costose, intrusive e difficili da scalare. Gli autori invece ricorrono all’«allevamento di precisione» con una telecamera di profondità non a contatto, montata dall’alto, che cattura la forma tridimensionale di ogni mucca mentre cammina naturalmente lungo una corsia.

Come un occhio montato sul soffitto legge il dorso della mucca

In due aziende lattiero-casearie commerciali in Giappone, una singola telecamera di profondità time-of-flight è stata montata sopra il passaggio stretto che le mucche usano tornando dalla mungitura. Mentre ogni animale passa sotto, la telecamera registra un’immagine di profondità dall’alto: essenzialmente una mappa di altezze che mostra il profilo del dorso della mucca. Il sistema prima isola ogni mucca dallo sfondo usando un avanzato modello di «instance segmentation». Dopo aver testato diverse opzioni, i ricercatori hanno rilevato che un modello moderno basato su YOLO offriva sia un’accuratezza estremamente elevata sia una rapida elaborazione, rilevando e delimitando correttamente le mucche in oltre il 99% dei frame e gestendo decine di immagini al secondo—sufficientemente veloce per l’uso in tempo reale in una stalla affollata.

Seguire ogni mucca e trasformare la postura in un segnale di dolore

Rilevare le mucche è solo l’inizio; il sistema deve anche tenere traccia di chi è chi mentre più animali scorrono attraverso la corsia. Per farlo, gli autori hanno progettato una serie di algoritmi di tracciamento multi-oggetto personalizzati che hanno progressivamente migliorato la capacità del sistema di mantenere l’identità di ciascuna mucca nel tempo. La versione finale usa non solo la sovrapposizione tra i riquadri ma anche da quanto tempo una mucca è tracciata e se si sta muovendo da sinistra a destra o da destra a sinistra. Questo uso semplice ma ingegnoso della direzione ha quasi eliminato gli scambi di identità, raggiungendo circa il 99,9% di accuratezza nel tracciamento su giorni non visti e in entrambe le aziende.

Insegnare al computer come appare la rigidità e il dolore

Il cuore della rilevazione della zoppia risiede nella forma e nel movimento del dorso della mucca. Il dolore ai piedi o alle zampe spesso porta a una colonna vertebrale più arcuata o irregolare mentre l’animale cerca di alleviare la pressione. Invece di selezionare a mano poche misure geometriche, il team converte l’immagine di profondità di ogni mucca in una mappa normalizzata delle altezze del dorso, quindi alimenta brevi sequenze di queste mappe in un modello di deep learning. Una moderna rete per immagini (EfficientNet) apprende i pattern spaziali in ogni frame, mentre una rete Long Short-Term Memory (LSTM) cattura come la postura evolve su più passi. Utilizzando etichette di esperti su una scala a quattro punti—from sano a gravemente zoppo—la migliore configurazione, EfficientNet-B7 più LSTM su sequenze di cinque frame, ha classificato correttamente i punteggi di zoppia su mucche non viste con circa il 96% di accuratezza e F1-score, nonostante sfide del mondo reale come lo sbilanciamento delle classi e velocità di camminata variabili.

Che cosa significa questo per le mucche, gli allevatori e il tuo bicchiere di latte

Mettendo insieme la telecamera di profondità, il rilevamento, il tracciamento e il modello di valutazione dell’andatura si ottiene un sistema di monitoraggio end-to-end, 24/7, che può osservare ogni mucca che passa sotto di esso, senza capezze, etichette o pavimentazioni speciali. Gli autori sostengono che uno strumento obiettivo e continuo di questo tipo può aiutare a colmare il divario di lunga data tra ciò che i ricercatori sanno sulla zoppia e quanto viene praticato regolarmente nelle stalle. Segnalando le mucche a rischio prima e in modo più coerente rispetto al solo occhio umano, questa tecnologia potrebbe ridurre il dolore, abbattere i costi di trattamento e di macellazione e sostenere una produzione di latte più umana e sostenibile. Pur necessitando di test più ampi su più aziende, lo studio dimostra che una singola telecamera di profondità montata dall’alto, abbinata a un deep learning accuratamente progettato, può trasformare un compito manuale difficile in una salvaguardia automatizzata per il benessere animale.

Citazione: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

Parole chiave: zoppia del bestiame, imaging di profondità, allevamento di precisione, computer vision, monitoraggio del benessere animale